预测性维护：一种基于因果技术语言处理 (CTLP) 的智能故障诊断方法

关键词：预测性维护、因果贝叶斯网络、ROX数据

在工业运营和维护领域，资产绩效最大化和风险最小化至关重要。随着工业设备组件的磨损和恶化，系统会表现出一系列变化，这些变化的严重程度会逐渐增加，直到最终发生故障。在这种情况下，可能会出现故障模式。例如，在可靠性工程领域，资产最有可能在磨合期早期发生过早故障，或在其剩余使用寿命末期发生晚期故障。由于这些故障的模式、机制和影响都是众所周知且有文档记录的，因此可以预测这些故障类型。工程师在制造过程中引入质量检查，并在（或多或少保守的）预防性维护计划中采取检查行动，以减轻其影响。然而，只要机器在运行，故障似乎随时都可能“随机”出现。这对于在过渡中间风险区域的可靠资产来说尤其具有挑战性，此时故障率相对较低，但保持均匀/恒定。在这种不确定的环境下，预测性维护领域通过引入数据作为手段来紧密跟踪每个资产的实际演变，并做出更明智和及时的决策。

本文提出一种基于因果技术语言处理 (CTLP) 的智能故障排除方法，直接从 RoX 数据中学习根本原因和解决方案。

1 理论基础

1.1 结构因果模型 (SCM)

结构因果模型（Structural Causal Model, SCM）是由图灵奖得主Judea Pearl在1995年提出的一种用于描述变量之间因果关系的数学框架。SCM通过有向无环图（DAG）来表示变量之间的因果关系，并使用一组方程来描述这些关系描述变量之间的因果关系，用于构建系统模型。

SCM定义了一组分配规则，管理它们特定的功能关联，以及一些独立的外源噪声，这些噪声解释了模型中未明确包含的所有内容。

V=f(U,N)，如果从领域专家那里获得了足够的知识和经验，例如通过FMMEA或RoX结构，那么可以从一开始就开发出一个完整的SCM图。否则，需要仔细利用数据来推动因果模型的发现。

1.2 因果贝叶斯网络 (CBN)

因果贝叶斯网络（Causal Bayesian Network, CBN）是一种基于概率图模型的工具，用于表示和推理变量之间的因果关系。它结合了图论和概率论，通过有向无环图（DAG）来描述变量之间的直接和间接因果关系，并利用条件概率表（CPT）来量化这些关系。贝叶斯网络的图形特性允许我们观察不同变量之间的关系，它们的条件依赖性使我们能够执行概率推断[1]。特别是，CBN是知识和在不确定性下进行推断的强大工具。

1.3 因果推理

超出概率推断的范围，因果推断提供了从观测数据中估计因果结论的工具，即在没有真正实验的情况下，只要满足某些假设。从观察数据中估计因果关系，分为三个层次：

关联: 描述变量之间的相关性，但不能区分因果关系。
干预: 描述变量之间的因果关系，并考虑干预因素的影响。
反事实: 描述变量之间的因果关系，并考虑反事实假设的影响。

1.4 语言模型

最后，为了处理文本数据，需要将语言信息数值化表示在前述的“通用”变量中。为此，概率语言模型是将句子赋予概率的函数，最终构建整个文本片段。

2 方法

2.1 数据操作 (Data Manipulation)

数据操作关注于将因果性视为复杂工业系统的一个突现属性。在这种情境下，语言变量构成高级定性描述，将功能归类并建立层级，正如FMMEA文档所确定的。

2.1.1 经验回报记录

在智能故障诊断环境中，RoX文本数据被收集以捕捉和描述现场观察到的事实本体关系。这些数据具有以下变量类型结构：

子系统 Z (常见背景): 分类变量
根原因 C (问题源): 分类变量
观察 O (报告的问题，故障): 文本
解决方案 S (维修/维护操作): 文本

这些数据结构来源于多个项目或环境，它们在描述问题及其解决方案的语言详细程度上存在差异。

2.1.2 文本蕴含

文本蕴含概念指的是文本片段之间的方向性联系。在RoX数据中，这些假定的关系被编码在以下图中，明确指出：

C是观察到的问题O的根原因。
S是观察到的问题O及其根原因C的效果。
Z是一个普遍的混杂因素，即共同原因。

2.1.3 文本嵌入和大型语言模型

环境的一个挑战部分是文本的嵌入式数值表示，通常被视为非结构化数据。所描述的方法使用“BERTopic”大型语言模型实现，整合了以下技术：

MiniLM: Sentence-BERT的压缩版本，基于变换器的语言模型，用于句子级别。
UMAP: 降低嵌入向量空间的维度。
HDBSCAN: 对得到的低维表示进行聚类和量化。

2.2 健康评估 (Health Assessment)

在智能故障诊断环境中，处理由子系统和组件多样性引入的混杂偏差是一个主要挑战。为此，在技术语言处理场景中使用因果推断技术来从文本中提取相关语言特征。

2.2.1 根因分析 (Root Cause Analysis)

根因分析（RCA）是一种用于识别故障源的问题解决方法。RCA是一种演绎推理形式，因为它需要对潜在故障和问题的基本因果机制有所理解。离散因果贝叶斯网络适合利用观察到的问题的分类描述，并预测几种可能已知原因的可能性。估计可能的根原因相当于计算条件概率诊断函数。RCA最终产生一个按概率排序的可能根原因变量列表。

2.2.2 解决方案生成 (Solution Generation)

预测解决方案特别具有挑战性，因为观察和解决方案空间的基数很大。为了获得无偏结果，应执行（原子）干预。这代表对系统进行操作以设置变量到已知值，然后评估它们对其他变量的影响。这种高级分析水平不仅需要观察数据，还需要考虑因果模型中编码的假设。

这个估计量在因果层次结构的干预级别上操作。一旦确定了最可能的解决方案类别的表示，就需要生成相关的文本。为此，从数据集中检索与预测类别相关的文本记录，并使用预训练的“Llama2”大型语言模型来获得自然语言解释。

2.2.3 提示基础生成 (Prompt-based Generation)

基于给定的问题观察文本、最可能的根原因，以及从最可能的无偏解决方案中检索到的文本，大型语言模型可以合成以下增强的咨询。这涉及到构建一个提示，结合指令、问题、输入数据和示例，以最大化大型语言模型的潜力和效用。

3 实验结果

通过一个在预测性维护领域的说明性例子来开展实验工作。因果模型在几个项目上进行了训练，RoX数据集的大小在4k到20k记录之间，平均根因分类准确度得分超过80%（精确度和召回率分别超过70%）。

3.1 数据观察

特定的示例实例显示了以下RoX数据描述：

子系统：悬挂系统
根原因：部件物理损坏
观察："拖车机械制动器故障，使用电气释放kph制动器"
解决方案："下载显示只有拖车的一个故障实例，与bcu通信丢失，当电车进入移除制动隔离时，此故障清除。但是，在电车重新进入时，s轴未能应用下载，显示w故障。端开关断开，发现引脚上有铜绿，新线束制作并安装，故障仍然存在，因此更换接近开关。电车运行到Bulwell并返回，通过tct，所有探头对齐，通过滑行检查所有拖车接近开关和线束清洁和检查"

这些记录的数据在这里显示是为了定性比较目的。在实际的智能故障诊断环境中，维护人员或工程师只需要提供观察到的问题的描述，系统将通过产生诊断结果来增加价值，这些结果以根原因和可能的解决方案的形式呈现。

3.2 结果预测和检索

最可能的5个潜在根原因的排名（共20个类别）

根因分析：通过因果贝叶斯网络，系统准确预测了观察到的故障的根因，并给出了概率排序。其中，正确根因的概率最高，其余根因的概率较低，这符合实际故障发生的规律。
解决方案生成：系统根据根因和观察，预测了潜在的解决方案类别，并给出了概率排序。虽然解决方案类别编号本身并不直观，但系统检索到了与该类别相关的多个描述性实例，表明该类别具有代表性。

3.3 基于提示的生成

最后，基于给定的问题观察文本、最可能的根原因，以及从最可能的无偏解决方案中检索到的文本，大型语言模型现在可以综合以下增强的咨询：

解决方案1：检查并更换螺栓。由于建议的可能原因是来自换班的交接失败，导致使用旧螺栓紧固挂架螺栓，可能螺栓可能已经松动或损坏。因此，检查并更换螺栓以确保它们正确拧紧，以固定悬挂系统。
解决方案2：处理油液泄漏。另一个可能的原因是提到轴的油液泄漏，这可能会损坏悬挂系统并影响制动系统。检查轴周围的油液泄漏并更换任何损坏的密封件，以防止进一步损坏。
解决方案3：更换断裂的接地电缆。先前的观察提到发现了断裂的接地电缆，这可能会导致制动系统的电气问题。更换断裂的接地电缆，以确保正确的电气连接并防止进一步故障。
解决方案4：处理腐蚀。腐蚀可能会影响悬挂和制动系统，导致安全问题。检查悬挂和制动系统中的任何腐蚀迹象，并相应地处理它们。采取防腐措施，如应用乐泰腐蚀抑制剂，以防止进一步损坏。
解决方案5：调整或更换紧固件。先前的观察提到发现一些紧固件不符合规格，这可能会影响悬挂。调整或更换任何发现损坏或不够牢固的紧固件，以确保适当的悬挂。
解决方案6：检查砂光压缩机。先前的观察提到砂光压缩机已经重建，但在测试后仍然存在故障。检查压缩机及其组件以识别任何潜在问题，并解决它们以防止进一步故障。
解决方案7：处理磨损的电缆绝缘。先前的观察提到发现电缆绝缘磨损，这可能会导致制动系统的电气问题。处理任何磨损的电缆绝缘，以确保正确的电气连接并防止进一步故障。
解决方案8：更换损坏的部件。先前的观察提到发现了损坏的挡泥板，这可能会影响悬挂和制动性能。更换任何损坏的部件，以确保悬挂和制动系统的正常运行。